2.3 Highcharter

Highcharter je R omotač za Highcharts JavaScript bibiloteku. Paket koristi sintaksu nalik na ggplot2, uključujući opcije za rukovanje dugim i opširnim podacima. Postoje funkcije čije ponašanje je slično funkcijama ggplot2 paketa kao, što je hchart, koja radi kao ggplot, zatim hc_add_series radi kao geom_S i hcaes radi kao aes. Glavna razlika u geom_ funkcijama ggplot2-a i hc_add_series je u tome što moramo dodati podatke i estetiku eksplicitno u svakoj funkciji, dok u ggplot2 možemo ubaciti podatke i estetiku u sloj, a zatim dodati još geom_ funkcija koje mogu raditi na istim podacima i estetici.

Sada ćemo videti jedan jednostavni primer.

 #install.packages("highcharter")
  library(highcharter)

## Highcharts (www.highcharts.com) is a Highsoft software product which is

## not free for commercial and Governmental use

## 
## Attaching package: 'highcharter'

## The following object is masked _by_ '.GlobalEnv':
## 
##     weather

## The following object is masked from 'package:nycflights13':
## 
##     weather

  library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:lubridate':
## 
##     intersect, setdiff, union

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

##Posmatraćemo podatke o pokemonima koji se nalaze u pakovanju highcharter
##Prvo ćemo predstaviti preko bar chart-a ukupan broj iz svake kategorije type1, za to nam služi objekat type, koji smo podesili na "bar"
  
  pokemon%>%
    count(type_1)%>%
    arrange(n)%>%
    hchart(type = "bar", hcaes(x = type_1, y = n))

##Takođe možemo istu stvar predstaviti i pomoću kolona   
  
  pokemon%>%
    count(type_1)%>%
    arrange(n)%>%
    hchart(type = "column", hcaes(x = type_1, y = n))

Sada ćemo iste podatke predstaviti preko treemap-e.

  pokemon%>%
    count(type_1)%>%
    arrange(n)%>%
    hchart(type = "treemap", hcaes(x = type_1, value = n, color = n))

U narednom kodu predstavićemo procentualni odnos populacije svih kontinenata tokom godina

highchart() %>%
    hc_chart(type = "area") %>%  #tip highcharter-a
    hc_title(text = "Historic and Estimated Worldwide Population Distribution by Region") %>% #naslov
    hc_subtitle(text = "Source: Wikipedia.org") %>% #podnaslov
    hc_xAxis(categories = c("1750", "1800", "1850", "1900", "1950", "1999", "2050"), #x-osa podeljena po godinama
             tickmarkPlacement = "on")%>% #oznake tačkicama kod izlomljenih linija
    hc_yAxis(title = list(text = "Percent")) %>% 
    hc_tooltip(pointFormat = "<span style=\"color:{series.color}\">{series.name}</span>:
               <b>{point.percentage:.1f}%</b> ({point.y:,.0f} millions)<br/>",
               shared = TRUE) %>% #tooltip koji prikazuje procenat i broj stanovnika za onu godinu na koju smo pokazali
    hc_plotOptions(area = list(
      stacking = "percent",
      lineColor = "#ffffff",
      lineWidth = 1,
      marker = list(
        lineWidth = 1,
        lineColor = "#ffffff"
      ))
    ) %>% 
    hc_add_series(name = "Asia", data = c(502, 635, 809, 947, 1402, 3634, 5268)) %>%
    hc_add_series(name = "Africa", data = c(106, 107, 111, 133, 221, 767, 1766)) %>%
    hc_add_series(name = "Europe", data = c(163, 203, 276, 408, 547, 729, 628)) %>%
    hc_add_series(name = "America", data = c(18, 31, 54, 156, 339, 818, 1201)) %>%
    hc_add_series(name = "Oceania", data = c(2, 2, 2, 6, 13, 30, 46))

  #odnos u procentima pri svakoj izabranoj godini

Sada ponovo posmatramo bazu podataka mpg i pravimo sledeći grafik

data(mpg, package = "ggplot2")
  
  mpgg <- mpg %>%
    filter(class %in% c("suv", "compact", "midsize")) %>%
    group_by(class, manufacturer) %>%
    summarize(count = n()) #izdvojili smo tri klase i sabrali ukupan broj automobila po proizvođaču u svakoj klasi
  
  categories_grouped <- mpgg %>%
    group_by(name = class) %>% #grupišemo u tri klase koje smo gore izdvojili
    do(categories = .$manufacturer)  %>%
    list_parse()
   #navodimo proizvođače za svaku od klasa i funkcijom list_parse() raščlanimo listu
  
  highchart() %>%
    hc_xAxis(categories = categories_grouped) %>%
    hc_add_series(data = mpgg, type = "bar", hcaes(y = count, color = manufacturer),
                  showInLegend = FALSE)

Sada ćemo pomoću treemap-e da podelimo pokemone prvo po tipu 1, zatim svaku tu kategoriju da podelimo na podkategorije prema tipu 2, pri čemu postoje pokemoni koji nemaju tip 2

  tm <- pokemon %>%
    mutate(type_2 = ifelse(is.na(type_2), paste("only", type_1), type_2),
           type_1 = type_1) %>% #za sve pokemone koji nemaju tip 2, stavićemo ih u kategoriju "only" tip 1 
    group_by(type_1, type_2) %>%
    summarise(n = n())  %>%
    ungroup() %>%
    treemap::treemap(index = c("type_1", "type_2"),
                     vSize = "n", vColor = "type_1") #boja i veličina pravougaonika je podešena u odnosu na tip1 kom pripadaju i broju pokemona koja pripada tom tipu

Sada pomoću baze podataka weather predstavljamo minimalnu, maksimalnu i srednju temperaturu svakog dana 2014-e godine.

data("weather")
 
  x <- c("Min", "Mean", "Max")
  y <- sprintf("{point.%s}", c("min_temperaturec", "mean_temperaturec", "max_temperaturec"))
  tltip <- tooltip_table(x, y)
  #U tooltip-u štampamo vrednosti minimalne, srednje i maksimalne temperature
  
  hchart(weather, type = "columnrange",
         hcaes(x = date, low = min_temperaturec, high = max_temperaturec,
               color = mean_temperaturec)) %>% 
    hc_chart(polar = T) %>% #polarne koordinate
    hc_yAxis( max = 30, min = -10, labels = list(format = "{value} C"),
              showFirstLabel = FALSE) %>% #podešavamo podatke y-ose, maksimum, minimum, odnosno u ovom slučaju, centar je u -10, pa samim tim poluprečnik je 40.
    hc_xAxis(
      title = list(text = ""), gridLineWidth = 0.5,
      labels = list(format = "{value: %b}")) %>%
    hc_tooltip(useHTML = TRUE, pointFormat = tltip,
               headerFormat = as.character(tags$small("{point.x:%d %B, %Y}")))